Privacy Preserving Disease Prediction Across Multiple Hospitals Using CKKS Based Homomorphic Federated Learning

Dans le monde moderne de la médecine, la capacité d'un médecin à prédire la santé future d'un patient dépend souvent de l'étendue des données qu'il peut visualiser. Les algorithmes d'apprentissage automatique, ces programmes informatiques qui apprennent à partir de modèles, deviennent des outils puissants pour détecter des risques tels que les réadmissions hospitalières ou la progression des maladies. Cependant, ces outils ne sont aussi bons que les informations qui les alimentent. Le problème est que cette information — les dossiers de santé électroniques contenant des détails sensibles sur les patients — est dispersée dans des milliers d'hôpitaux, verrouillée par des lois strictes sur la vie privée et des règles institutionnelles. Les hôpitaux ne peuvent pas simplement partager leurs fichiers bruts de patients avec une autorité centrale pour construire un meilleur modèle sans violer la confiance des patients et les réglementations juridiques.

Pour résoudre cela, des chercheurs ont développé une méthode appelée apprentissage fédéré. Imaginez un groupe de chefs possédant chacun une recette familiale secrète. Au lieu d'envoyer leurs recettes dans une cuisine centrale où elles pourraient être volées ou copiées, ils conviennent de cuisiner leurs plats localement et de n'envoyer que le goût final à un juge central. Le juge combine ces goûts pour créer une recette maîtresse, qui est ensuite renvoyée aux chefs pour leur prochaine tentative. Dans cette version numérique, les « recettes » sont les données, les « chefs » sont les hôpitaux, et le « goût » est la mise à jour mathématique du modèle informatique. Les données brutes des patients ne quittent jamais l'hôpital. Pourtant, même cette méthode présente une faille : le « goût » renvoyé peut parfois trop en révéler sur les ingrédients spécifiques utilisés, permettant à un observateur curieux de deviner quels patients faisaient partie de l'ensemble d'entraînement. Pour corriger cela, les scientifiques explorent désormais une technique appelée chiffrement homomorphe, qui permet d'effectuer des calculs sur des données restant enfermées dans un coffre-fort numérique, garantissant que même la personne effectuant la combinaison ne puisse pas voir les chiffres bruts.

Une équipe de chercheurs de l'école d'ingénierie du MIT à Pune, en Inde, a récemment mis ce concept à l'épreuve dans un environnement simulé conçu pour imiter un réseau de dix hôpitaux. Leur objectif était de voir s'ils pouvaient construire un modèle d'apprentissage automatique pour prédire si un patient diabétique serait réadmis à l'hôpital dans les trente jours, tout en gardant les données des patients totalement cachées et les mises à jour du modèle cryptées. Ils ont utilisé un type spécifique de verrou numérique connu sous le nom de CKKS, qui permet des mathématiques approximatives sur des nombres chiffrés, une caractéristique nécessaire car les données médicales impliquent souvent des décimales et des fractions plutôt que de simples nombres entiers.

Les chercheurs ont mis en place une expérience virtuelle utilisant un ensemble de données publiques provenant de 130 hôpitaux réels, qu'ils ont découpées en dix segments distincts pour représenter dix institutions différentes. Chaque hôpital virtuel a entraîné sa propre version du modèle de prédiction sur ses données locales. Dans un scénario standard, non chiffré, ces hôpitaux enverraient leurs mises à jour de modèle directement à un serveur central. Dans cette nouvelle expérience, cependant, les hôpitaux ont d'abord verrouillé leurs mises à jour à l'intérieur d'un coffre-fort numérique en utilisant la méthode CKKS. Le serveur central, agissant comme un coordinateur honnête mais curieux, a reçu ces paquets verrouillés. Il a effectué les calculs pour les moyenner sans jamais déverrouiller les contributions individuelles. Ce n'est qu'une fois la moyenne terminée que le résultat final a été envoyé à une partie de confiance pour être déverrouillé et utilisé pour mettre à jour le modèle global.

Les résultats de cette expérience ont révélé un arbitrage clair et difficile entre confidentialité et performance. Lorsque les chercheurs ont exécuté la même tâche sans chiffrement, le système était incroyablement efficace, identifiant les risques de réadmission avec un haut degré de précision. Le modèle apprenait rapidement et produisait des prédictions fiables. Cependant, dans cet état non chiffré, le système était vulnérable ; un attaquant pouvait examiner les mises à jour et réussir à deviner si les données d'un patient spécifique faisaient partie de l'entraînement, rompant ainsi la promesse de confidentialité.

Lorsque les chercheurs ont activé le chiffrement, la protection de la vie privée a fonctionné exactement comme prévu pour la voie d'attaque étudiée. Le système a réduit la capacité d'un attaquant à deviner si les données d'un patient étaient présentes dans l'entraînement au niveau du hasard, atteignant un taux de réussite de cinquante pour cent exactement, ce qui équivaut à lancer une pièce de monnaie. Cette conclusion est cohérente avec la protection du protocole évalué contre un serveur honnête mais curieux, bien qu'elle ne soit pas une garantie d'immunité contre toutes les attaques de confidentialité ou toutes les conditions adverses. Les données hospitalières sont restées véritablement privées, et le serveur central n'a rien vu d'autre que des chiffres verrouillés.

Cependant, cette confidentialité avait un coût important. Le système chiffré était beaucoup plus lent et nécessitait l'envoi de beaucoup plus de données sur le réseau. La taille des paquets de données envoyés de chaque hôpital a augmenté d'un facteur de vingt-quatre, ce qui signifie que le trafic de communication est passé d'environ 3 mégaoctets à près de 38 mégaoctets pour chaque cycle d'entraînement. De plus, le pouvoir prédictif du modèle a chuté de manière notable. Alors que le modèle non chiffré atteignait un score élevé pour identifier correctement les réadmissions, la version chiffrée peinait, sa capacité à distinguer les patients qui reviendraient de ceux qui ne reviendraient pas tombant à un niveau qui, bien que supérieur au hasard, était bien moins utile pour la prise de décision clinique. Le modèle a également mis plus de temps à se stabiliser, montant un comportement plus erratique alors qu'il tentait d'apprendre à partir des données verrouillées.

L'étude conclut que, bien qu'il soit techniquement possible de construire un système préservant la confidentialité pour la prédiction de maladies multi-hospitalières à l'aide de cette méthode, il ne s'agit pas encore d'une solution parfaite. La technologie parvient à stopper les fuites de confidentialité spécifiques que les chercheurs ont testées, mais elle le fait en rendant le système beaucoup plus lourd et moins précis. Les chercheurs ont constaté que, pour cette configuration spécifique, la perte de qualité prédictive et l'augmentation massive des exigences de transmission de données sont des obstacles substantiels. Ils suggèrent que pour que cette approche soit utile dans le monde réel, les travaux futurs doivent se concentrer sur la réduction de la taille des données chiffrées et sur l'amélioration de la capacité du modèle à apprendre efficacement malgré les verrous numériques. D'ici là, le choix entre un modèle hautement précis qui risque la confidentialité et un modèle parfaitement privé qui est moins précis reste un équilibre difficile à trouver pour les institutions de santé.